python数据预测_回归分析及预测性能评估（通过python的scikit-learn实现）

预测型数据分析有很多很多种分析的类型，回归、分类和聚类是预测型数据分析的几种主要的类型。

回归和分类属于监督型学习，回归分析在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量（变量组）来预测研究者感兴趣的变量（因变量），可以帮助了解在只有一个自变量变化时因变量的变化量。而分类的和回归非常类似，分类的因变量是离散的，用离散的数值类进行分类。比如说我们有一些已知植物的属性（分类、叶长、叶宽、花瓣数），建立分类回归模型，通过新的一个样本的叶长、叶宽、花瓣数去预测这个样本的分类。

下面我们说说回归分析

x自变量也叫特征，可以是一维或者多维，y是因变量，我们通过已知的x和y，建立一个y和x之间的函数来评估x和y之间的关系，进行用新的x去预测y。

关于回归分析及通过excel进行回归分析，可以参考我的这篇文章《利用EXCEL函数LINEST进行统计学中的回归分析》，在我的另一篇文章《传统IT应用如何拥抱大数据？谈python大数据的应用落地方法》也有用Python的statsmodels模块如何实现回归分析的应用。

在python中实现回归分析

Python中实现线性回归的主流包是scikit-learn，下面我们一步一步来通过scikit-learn实现回归分析和预测性能的评估。

首先我们来了解一下核心代码

from sklearn import linear_model #引入python的sklearn模块

lm = linear_model.LinearRegression() #创建一个线性回归模型

model = lm.fit(X,y)#对回归模型进行拟合

下面我们从头开始一个完整的回归分析、预测和预测性能评估。

1 加载数据（鸢尾属植物数据集）

mport pandas

iris = pandas.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data',header=None)

iris.columns=['SepalLengthCm','SepalWidthCm','PetalLengthCm','PetalWidthCm','Species']

我们通过下面的代码查看数据

iris.sample(10)

数据如下：

数据总共有五列，分别为：

epalLengthCm：花萼长度

SepalWidthCm：花萼宽度

PetalLengthCm：花瓣长度

PetalWidthCm：花瓣宽度

Species：分类（ Iris-setosa、Iris-virginica、Iris-versicolour）

2 探索数据

如果你想知道Species分类有多少个分类，可以通过下面的代码查看，drop不会删除原来的数据集。

iris.drop_duplicates(['Species'])

如下：

接下来我们引入seaborn先探索一下数据。

import seaborn as sns

sns.regplot(x='PetalLengthCm',y='PetalWidthCm',data=iris)

可以看到花瓣长度和花瓣宽度有很好的线性关系，并且seaborn已经自动把这两个变量通过线